掩码临床建模：用于合成与增强生存数据的框架
机器学习
2024-10-24 v2
摘要
由于隐私义务，获取真实临床数据常受限制，为医疗研究创造了重大障碍。合成数据集提供了可行的解决方案，使数据共享和模型开发得以实现。然而，大多数现有方法关注数据逼真度，而非效用——确保在合成数据上训练的模型能产生与真实数据相当的临床意义洞察。本文提出了掩码临床建模（Masked Clinical Modelling, MCM）框架，灵感来源于掩码语言建模，旨在实现数据合成和条件数据增强。我们在WHAS500数据集上对该原型进行评估，使用Cox比例风险模型，关注风险比等关键临床指标的保护。结果表明，基于MCM框架生成的数据在生存分析中改善了区分度和校准，超越了现有方法。MCM展示了强大的潜力，以支持生存数据分析及更广泛的医疗应用。
引用
@article{arxiv.2410.16811,
title = {Masked Clinical Modelling: A Framework for Synthetic and Augmented Survival Data Generation},
author = {Nicholas I-Hsien Kuo and Blanca Gallego and Louisa Jorm},
journal= {arXiv preprint arXiv:2410.16811},
year = {2024}
}
备注
Re-archived due to incorrect ORCiD. Last edited: 2024-10-23